电力巡检缺陷检测方法、装置、设备及存储介质与流程

摘要: 本技术涉及电网运维,尤其涉及电力巡检缺陷检测方法、装置、设备及存储介质。背景技术:1、电力巡检是保障电网安全稳定运行的重要手段,通过对输电线路及变电站关键设备进...
电力巡检缺陷检测方法、装置、设备及存储介质与流程

本技术涉及电网运维,尤其涉及电力巡检缺陷检测方法、装置、设备及存储介质。

背景技术:

1、电力巡检是保障电网安全稳定运行的重要手段,通过对输电线路及变电站关键设备进行图像采集与缺陷识别,可以及时发现绝缘子破损、通道异物、火灾烟雾等异常情况,提升运检效率;

2、目前,为实现电力巡检缺陷的自动识别,通常利用深度学习模型对巡检图像进行特征提取与分类判定;针对异常缺陷样本稀缺的问题,通常采用数据增强或半监督学习方式扩充训练样本,并通过知识蒸馏或常规微调对边缘侧小模型进行优化。但是,优化后的小模型在微调过程中缺乏针对性的度量学习约束,判别边界模糊,且检索与训练相互解耦,无法形成在线自适应优化闭环,最终造成在电力巡检异常少样本条件下,优化后的小模型对相似干扰物的误检率和漏检率高。

3、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种电力巡检缺陷检测方法、装置、设备及存储介质,旨在解决在电力巡检异常少样本条件下,优化后的小模型对相似干扰物的误检率和漏检率高的技术问题。

2、为实现上述目的,本技术提出一种电力巡检缺陷检测方法,所述的方法包括:

3、获取待处理的电力巡检样本,对所述电力巡检样本进行多模态特征映射,获得待检索联合向量;

4、根据所述待检索联合向量,在预存的正负样本向量数据库进行双阈值近邻检索,获得正负对抗样本对,所述预存的正负样本向量数据库包含真实缺陷样本和历史误检困难负样本;

5、基于所述正负对抗样本对,对预设的专业小模型进行监督对比学习与在线蒸馏空间优化,获得优化小模型;

6、根据所述优化小模型,对所述电力巡检样本进行缺陷检测,获得缺陷检测结果。

7、在一实施例中,根据所述待检索联合向量,在预存的正负样本向量数据库进行双阈值近邻检索,获得正负对抗样本对的步骤,包括:

8、将所述待检索联合向量与预存的正负样本向量数据库中的各样本向量进行特征距离计算,获得所述各样本向量对应的特征距离;

9、将所述特征距离不超过预设的第一距离阈值、对应的预设样本类型标签为真实缺陷的样本向量,确定为真实缺陷样本,所述第一距离阈值是真实缺陷样本的特征距离上限;

10、将距离处于所述第一距离阈值与预设的第二距离阈值之间,对应的预设样本类型标签为历史误检困难负样本的样本向量,确定为历史误检困难负样本,所述第二距离阈值大于所述第一距离阈值是历史误检困难负样本的特征距离上限;

11、将所述真实缺陷样本与所述历史误检困难负样本确定为所述正负对抗样本对。

12、在一实施例中,将所述待检索联合向量与预存的正负样本向量数据库中的各样本向量进行特征距离计算,获得所述各样本向量对应的特征距离的步骤,包括:

13、从预存的正负样本向量数据库中读取量化压缩后的各样本向量,所述量化压缩用于压缩所述各样本向量的存储体积;

14、基于预设查表法对所述各样本向量进行距离解算,获得所述各样本向量对应的距离解算结果;

15、将所述待检索联合向量与各所述样本向量对应的距离解算结果进行距离计算,获得所述各样本向量对应的特征距离。

16、在一实施例中,将所述待检索联合向量与预存的正负样本向量数据库中的各样本向量进行特征距离计算,获得所述各样本向量对应的特征距离的步骤之前,还包括:

17、将所述多模态耦合特征输入预设电力垂直多模态大模型,得到结构化样本描述;

18、解析所述结构化样本描述,得到用于标记样本为真实缺陷或者历史误检困难负样本类型标签;

19、将所述样本类型标签与对应样本向量绑定并存入预存的正负样本向量数据库。

20、在一实施例中,将所述样本类型标签与对应样本向量绑定并存入预存的正负样本向量数据库的步骤之前,还包括:

21、提取所述结构化样本描述对应的异常类别token;

22、对所述异常类别token进行可信度量化处理,得到样本类型标签的可信度量化参数;

23、基于所述可信度量化参数对所述样本类型标签进行有效性筛选;

24、将所述样本类型标签与对应样本向量绑定并存入预存的正负样本向量数据库的步骤,还包括:

25、将通过有效性筛选的样本类型标签与对应样本向量绑定并存入预存的正负样本向量数据库。

26、在一实施例中,基于所述正负对抗样本对,对预设的专业小模型进行监督对比学习与在线蒸馏空间优化,获得优化小模型的步骤,包括:

27、将所述正负对抗样本对输入预设的专业小模型,得到样本投影特征;

28、基于所述样本投影特征与所述正负对抗样本对,对所述专业小模型进行监督对比学习,得到监督对比学习对应的第一损失参数;

29、获取预设的云端电力垂直多模态大模型输出的教师侧语义知识;

30、根据所述教师侧语义知识对所述预处理小模型进行在线蒸馏处理,得到蒸馏处理对应的第二损失参数;

31、根据所述第一损失参数与所述第二损失参数对所述专业小模型进行联合优化迭代,获得所述优化小模型。

32、在一实施例中,根据所述第一损失参数与所述第二损失参数对所述专业小模型进行联合优化迭代,获得所述优化小模型的步骤,包括:

33、对所述第一损失参数与所述第二损失参数进行自适应动态权重调配,得到适配当前样本工况的融合权重;

34、依据所述融合权重对所述第一损失参数与所述第二损失参数进行耦合融合,生成联合损失参数;

35、基于所述联合损失参数对所述专业小模型进行迭代更新,得到所述优化小模型。

36、此外,为实现上述目的,本技术还提出一种电力巡检缺陷检测装置,所述电力巡检缺陷检测装置包括:

37、映射模块,用于获取待处理的电力巡检样本,对所述电力巡检样本进行多模态特征映射,获得待检索联合向量;

38、检索模块,用于根据所述待检索联合向量,在预存的正负样本向量数据库进行双阈值近邻检索,获得正负对抗样本对,所述预存的正负样本向量数据库包含真实缺陷样本和历史误检困难负样本;

39、优化模块,用于基于所述正负对抗样本对,对预设的专业小模型进行监督对比学习与在线蒸馏空间优化,获得优化小模型;

40、检测模块,用于根据所述优化小模型,对所述电力巡检样本进行缺陷检测,获得缺陷检测结果。

41、此外,为实现上述目的,本技术还提出一种电力巡检缺陷检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的电力巡检缺陷检测方法的步骤。

42、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的电力巡检缺陷检测方法的步骤。

43、本技术提出的一个或多个技术方案,至少具有以下技术效果:

44、由于多模态特征映射可以融合电力巡检样本在不同模态下的特征信息,因此对电力巡检样本进行多模态特征映射得到待检索联合向量,可以使待检索联合向量中包含样本更为全面且具有区分度的联合特征表示;再根据该待检索联合向量在预存的正负样本向量数据库中进行双阈值近邻检索获得正负对抗样本对,其中,正负样本向量数据库中同时包含真实缺陷样本和历史误检困难负样本,且双阈值近邻检索可以同时筛选出与待检索样本相似度较高的正样本和具有较强干扰性的困难负样本,因此,获得的正负对抗样本对可以针对性地覆盖模型易混淆的相似干扰物场景;再利用监督对比学习通过拉近同类样本、推远异类样本的方式为专业小模型提供明确的度量学习约束,并利用在线蒸馏空间优化使检索过程与训练过程形成闭环联动,使优化后的专业小模型可以获得清晰的判别边界和自适应优化能力,也即,通过双阈值近邻检索与监督对比学习及在线蒸馏空间优化的协同作用,将检索与训练耦合为在线自适应优化闭环,使小模型在电力巡检异常少样本条件下仍可以有效区分真实缺陷与相似干扰,降低对相似干扰物的误检率和漏检率,从而提高电力巡检缺陷检测的准确性。